本發(fā)明涉及紅外成像領(lǐng)域，尤其涉及一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法及其系統(tǒng)。

背景技術(shù)：

紅外成像技術(shù)在軍事上和民用上都有著廣泛且重要的應(yīng)用。隨著紅外成像技術(shù)的發(fā)展及普及，紅外圖像的網(wǎng)絡(luò)傳輸成為眾多應(yīng)用的基礎(chǔ)，同時(shí)也成為這些應(yīng)用發(fā)展的瓶頸。

在有限帶寬下如何提高紅外圖像的傳輸效率，成為促進(jìn)紅外技術(shù)應(yīng)用亟待解決的問題?；趬嚎s感知(Compressive Sensing，CS)的數(shù)據(jù)壓縮技術(shù)是近年來數(shù)據(jù)壓縮領(lǐng)域的一個(gè)新方向。

從目前國內(nèi)外研究來看，壓縮感知技術(shù)在圖像處理中的應(yīng)用大多僅僅針對(duì)圖像本身進(jìn)行感知壓縮和重構(gòu)，而未考慮在連續(xù)幀間時(shí)間序列上的時(shí)間相關(guān)性。而實(shí)際中，這種時(shí)間相關(guān)性對(duì)于序列圖像而言是普遍存在的，因此，現(xiàn)有技術(shù)中的壓縮感知方法存在重構(gòu)精度差和壓縮效率低的缺陷。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法及其系統(tǒng)，旨在解決現(xiàn)有技術(shù)中壓縮感知方法存在重構(gòu)精度差和壓縮效率低的問題。

本發(fā)明提出一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法，主要包括：

塊稀疏表示步驟、將連續(xù)紅外小目標(biāo)圖像序列表示為具有塊稀疏特性的信號(hào)；

時(shí)間相關(guān)性建模步驟、在貝葉斯框架下對(duì)連續(xù)紅外小目標(biāo)圖像序列之間數(shù)據(jù)的時(shí)間相關(guān)性進(jìn)行建模；

信號(hào)重構(gòu)輸出步驟、采用稀疏學(xué)習(xí)算法實(shí)現(xiàn)紅外小目標(biāo)圖像的重構(gòu)，并輸出信號(hào)的最終估計(jì)值。

另一方面，本發(fā)明還提供一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)系統(tǒng)，所述系統(tǒng)包括：

塊稀疏表示模塊，用于將連續(xù)紅外小目標(biāo)圖像序列表示為具有塊稀疏特性的信號(hào)；

時(shí)間相關(guān)性建模模塊，用于在貝葉斯框架下對(duì)連續(xù)紅外小目標(biāo)圖像序列之間數(shù)據(jù)的時(shí)間相關(guān)性進(jìn)行建模；

信號(hào)重構(gòu)輸出模塊，用于采用稀疏學(xué)習(xí)算法實(shí)現(xiàn)紅外小目標(biāo)圖像的重構(gòu)，并輸出信號(hào)的最終估計(jì)值。

本發(fā)明提供的技術(shù)方案，對(duì)序列之間的時(shí)間相關(guān)性進(jìn)行建模，在貝葉斯框架下利用這種時(shí)間相關(guān)性實(shí)現(xiàn)信號(hào)的重構(gòu)，在壓縮感知重構(gòu)過程中，利用連續(xù)信號(hào)在時(shí)間上的相關(guān)性對(duì)信號(hào)進(jìn)行重構(gòu)，可以提高單幀信號(hào)的重構(gòu)精度，且算法的運(yùn)行時(shí)間顯著降低，進(jìn)而大大提高了壓縮效率。

附圖說明

圖1為本發(fā)明一實(shí)施方式中基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法流程圖；

圖2為本發(fā)明一實(shí)施方式中基于塊稀疏壓縮感知的紅外圖像重構(gòu)系統(tǒng)10的內(nèi)部結(jié)構(gòu)示意圖；

圖3為本發(fā)明一實(shí)施方式中三幀時(shí)間稀疏序列示意圖；

圖4為本發(fā)明一實(shí)施方式中紅外原圖與重構(gòu)結(jié)果的對(duì)比示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

以下將對(duì)本發(fā)明所提供的一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法進(jìn)行詳細(xì)說明。

請(qǐng)參閱圖1，為本發(fā)明一實(shí)施方式中基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法流程圖。

在步驟S1中，塊稀疏表示步驟、將連續(xù)紅外小目標(biāo)圖像序列表示為具有塊稀疏特性的信號(hào)。

在本實(shí)施方式中，所述塊稀疏表示步驟S1具體包括：

利用連續(xù)紅外小目標(biāo)圖像序列信號(hào)和塊稀疏矩陣表示多測(cè)量向量模型Y＝ΦX+V，其中，紅外小目標(biāo)圖像信號(hào)為塊稀疏矩陣為為觀測(cè)矩陣，為已知的字典矩陣，V是噪聲矩陣，y^(.i)是Y的第i列，x^(.i)是X的第i列；

將所述多測(cè)量向量模型轉(zhuǎn)換為單測(cè)量向量模型y＝Dx+v，其中，在所述多測(cè)量向量模型中，塊稀疏矩陣X由具有時(shí)間相關(guān)性的連續(xù)幀x_i(i＝1,2,...,L)構(gòu)成，x^(i.)(i＝1,...,M)相互獨(dú)立，x^(i.)是X的第i行，令其中I_L為L(zhǎng)維單位陣，x即塊稀疏信號(hào)，可表示為其中，J＝M×L。

在步驟S2中，時(shí)間相關(guān)性建模步驟、在貝葉斯框架下對(duì)連續(xù)紅外小目標(biāo)圖像序列之間數(shù)據(jù)的時(shí)間相關(guān)性進(jìn)行建模。

在本實(shí)施方式中，所述時(shí)間相關(guān)性建模步驟S2具體包括：

在步驟S1所述的多測(cè)量矢量模型中，假設(shè)X_i·相互獨(dú)立，且服從高斯分布：p(X_i·；γ_i,B_i)～N(0,γ_iB_i)，其中，超參γ_i控制矢量X_i·的稀疏度，B_i為一正定陣，描述了X_i·的時(shí)間關(guān)聯(lián)結(jié)構(gòu)，為待估參數(shù)，假設(shè)稀疏矢量x的先驗(yàn)為p(x；γ_i,B_i)～N(0,Σ₀)，在貝葉斯框架下對(duì)連續(xù)紅外小目標(biāo)圖像序列之間數(shù)據(jù)的時(shí)間相關(guān)性進(jìn)行建模；

其中，γ_i為非負(fù)超參，由矩陣B_i構(gòu)建的先驗(yàn)密度對(duì)信號(hào)的時(shí)間結(jié)構(gòu)進(jìn)行描述。

在本實(shí)施方式中，與傳統(tǒng)的重構(gòu)方法(如匹配追蹤、正交匹配追蹤等)相比，在貝葉斯框架下實(shí)現(xiàn)壓縮感知中的重構(gòu)，不僅能提高重構(gòu)精度，同時(shí)還能獲得稀疏解的后驗(yàn)估計(jì)。

在本實(shí)施方式中，對(duì)于稀疏信號(hào)x,x∈R^M×1，其壓縮感知模型可用下式表示：y＝Φx+v。式中，y∈R^N×1為壓縮觀測(cè)矢量，Φ∈R^N×M為觀測(cè)矩陣，v為噪聲矢量。稀疏信號(hào)x經(jīng)觀測(cè)矩陣進(jìn)行壓縮觀測(cè)后，可獲得維度大幅降低的觀測(cè)信號(hào)y，該低維度的觀測(cè)信號(hào)中包含了恢復(fù)原稀疏信號(hào)x的足夠信息；

貝葉斯壓縮感知理論從概率的角度出發(fā)，將觀測(cè)表示如下：

y＝Φx＝Φx_s+x_e+x_o＝Φx_s+n；

其中，n_e＝Φw_e，w_e＝w-w_s，n_o為觀測(cè)g的過程噪聲，二者用n統(tǒng)一表示，可用一零均值的高斯分布來描述n～N(0,σ²)。相應(yīng)地，關(guān)于隨機(jī)變量y的高斯似然模型可表示如下：

上式中，若Φ已知，則基于觀測(cè)量y的待估計(jì)量為x_s與σ²。采用貝葉斯方法實(shí)現(xiàn)信號(hào)重構(gòu)的思路，即是在已知觀測(cè)y的條件下，求解x_s和σ²的后驗(yàn)概率密度函數(shù)的過程。其中，x_s具有稀疏性，可作為問題的先驗(yàn)信息引入求解過程，利用該先驗(yàn)信息即可獲得問題解。

在步驟S3中，信號(hào)重構(gòu)輸出步驟、采用稀疏學(xué)習(xí)算法實(shí)現(xiàn)紅外小目標(biāo)圖像的重構(gòu)，并輸出信號(hào)的最終估計(jì)值。

在本實(shí)施方式中，所述信號(hào)重構(gòu)輸出步驟S3具體包括：

在已知觀測(cè)y的條件下，用貝葉斯方法可獲得稀疏矢量x的后驗(yàn)估計(jì)：p(x|y；σ²,γ_i,B_i)～N(μ_x,Σ_x)，其中，觀測(cè)y的高斯似然函數(shù)為：其中，Σ_x＝Σ₀-Σ₀D^T(σ²I+DΣ₀D^T)^-1DΣ₀；

通過最大似然方法或期望最大化方法對(duì)上式的超參數(shù)進(jìn)行估計(jì)：i＝1,...,M，i＝1,...,M，迭代終止后，輸出信號(hào)的最終估計(jì)值。

在本實(shí)施方式中，對(duì)于視頻數(shù)據(jù)而言，連續(xù)幀之間數(shù)據(jù)的時(shí)間相關(guān)性是普遍存在的，如果能將信號(hào)在時(shí)間上的這種相關(guān)性應(yīng)用于信號(hào)的壓縮感知中，將有利于提高信號(hào)的重構(gòu)精度。

在本實(shí)施方式中，設(shè)紅外小目標(biāo)圖像信號(hào)為x,x∈R^M×1，塊稀疏矩陣為X,X∈R^M×L，由具有時(shí)間相關(guān)性的連續(xù)幀x_i(i＝1,2,...,L)構(gòu)成，多測(cè)量矢量模型可描述為：Y＝ΦX+V；

其中，Y∈R^N×L，Φ∈R^N×M，V是噪聲矩陣；

在上述多測(cè)量矢量模型中，假設(shè)X_i·相互獨(dú)立，且服從高斯分布：

p(X_i·；γ_i,B_i)～N(0,γ_iB_i),i＝1,2,...,M；

其中，超參γ_i控制矢量X_i·的稀疏度，B_i為一正定陣，描述了X_i·的時(shí)間關(guān)聯(lián)結(jié)構(gòu)，為待估參數(shù)，可將多觀測(cè)模型轉(zhuǎn)為單觀測(cè)模型的形式：

y＝Dx+v；

其中，其中則式y(tǒng)＝Dx+v中所述觀測(cè)y的高斯似然函數(shù)為：

假設(shè)稀疏矢量x的先驗(yàn)為：

p(x；γ_i,B_i)～N(0,Σ₀)；

其中，

在已知觀測(cè)y的條件下，用貝葉斯方法可獲得稀疏矢量x的后驗(yàn)估計(jì)：

p(x|y；σ²,γ_i,B_i)～N(μ_x,Σ_x)；

其中，Σ_x＝Σ₀-Σ₀D^T(σ²I+DΣ₀D^T)^-1DΣ₀；

通過II型最大似然方法或EM(期望最大化方法)可對(duì)上式的超參數(shù)進(jìn)行估計(jì)：

與單觀測(cè)模型中的貝葉斯壓縮感知方法相比，上述多觀測(cè)模型描述了信號(hào)在時(shí)間上的相關(guān)性，且用一個(gè)正定陣描述了這種關(guān)聯(lián)結(jié)構(gòu)。在序列信號(hào)重構(gòu)過程中，對(duì)該正定陣進(jìn)行貝葉斯推斷，從而實(shí)現(xiàn)稀疏系數(shù)的求解。

本發(fā)明提供的一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法，對(duì)序列之間的時(shí)間相關(guān)性進(jìn)行建模，在貝葉斯框架下利用這種時(shí)間相關(guān)性實(shí)現(xiàn)信號(hào)的重構(gòu)，在壓縮感知重構(gòu)過程中，利用連續(xù)信號(hào)在時(shí)間上的相關(guān)性對(duì)信號(hào)進(jìn)行重構(gòu)，可以提高單幀信號(hào)的重構(gòu)精度，且算法的運(yùn)行時(shí)間顯著降低，進(jìn)而大大提高了壓縮效率。

請(qǐng)參閱圖2，所示為本發(fā)明一實(shí)施方式中基于塊稀疏壓縮感知的紅外圖像重構(gòu)系統(tǒng)10的結(jié)構(gòu)示意圖。

在本實(shí)施方式中，基于塊稀疏壓縮感知的紅外圖像重構(gòu)系統(tǒng)10，主要包括塊稀疏表示模塊11、時(shí)間相關(guān)性建模模塊12以及信號(hào)重構(gòu)輸出模塊13。

塊稀疏表示模塊11，用于將連續(xù)紅外小目標(biāo)圖像序列表示為具有塊稀疏特性的信號(hào)。

在本實(shí)施方式中，所述塊稀疏表示模塊11具體用于：

利用連續(xù)紅外小目標(biāo)圖像序列信號(hào)和塊稀疏矩陣表示多測(cè)量向量模型Y＝ΦX+V，其中，紅外小目標(biāo)圖像信號(hào)為塊稀疏矩陣為為觀測(cè)矩陣，為已知的字典矩陣，V是噪聲矩陣，y^(.i)是Y的第i列，x^(.i)是X的第i列；

將所述多測(cè)量向量模型轉(zhuǎn)換為單測(cè)量向量模型y＝Dx+v，其中，在所述多測(cè)量向量模型中，塊稀疏矩陣X由具有時(shí)間相關(guān)性的連續(xù)幀x_i(i＝1,2,...,L)構(gòu)成，x^(i.)(i＝1,...,M)相互獨(dú)立，x^(i.)是X的第i行，令其中I_L為L(zhǎng)維單位陣，x即塊稀疏信號(hào)，可表示為其中，J＝M×L。

時(shí)間相關(guān)性建模模塊12，用于在貝葉斯框架下對(duì)連續(xù)紅外小目標(biāo)圖像序列之間數(shù)據(jù)的時(shí)間相關(guān)性進(jìn)行建模。

在本實(shí)施方式中，所述時(shí)間相關(guān)性建模模塊12具體用于：

在塊稀疏表示模塊11所述的多測(cè)量矢量模型中，假設(shè)X_i·相互獨(dú)立，且服從高斯分布：p(X_i·；γ_i,B_i)～N(0,γ_iB_i)，其中，超參γ_i控制矢量X_i·的稀疏度，B_i為一正定陣，描述了X_i·的時(shí)間關(guān)聯(lián)結(jié)構(gòu)，為待估參數(shù)，假設(shè)稀疏矢量x的先驗(yàn)為p(x；γ_i,B_i)～N(0,Σ₀)，在貝葉斯框架下對(duì)連續(xù)紅外小目標(biāo)圖像序列之間數(shù)據(jù)的時(shí)間相關(guān)性進(jìn)行建模；

其中，γ_i為非負(fù)超參，由矩陣B_i構(gòu)建的先驗(yàn)密度對(duì)信號(hào)的時(shí)間結(jié)構(gòu)進(jìn)行描述。

信號(hào)重構(gòu)輸出模塊13，用于采用稀疏學(xué)習(xí)算法實(shí)現(xiàn)紅外小目標(biāo)圖像的重構(gòu)，并輸出信號(hào)的最終估計(jì)值。

在本實(shí)施方式中，所述信號(hào)重構(gòu)輸出模塊13具體用于：

在已知觀測(cè)y的條件下，用貝葉斯方法可獲得稀疏矢量x的后驗(yàn)估計(jì)：p(x|y；σ²,γ_i,B_i)～N(μ_x,Σ_x)，其中，觀測(cè)y的高斯似然函數(shù)為：其中Σ_x＝Σ₀-Σ₀D^T(σ²I+DΣ₀D^T)^-1DΣ₀；

通過最大似然方法或期望最大化方法對(duì)上式的超參數(shù)進(jìn)行估計(jì)：i＝1,...,M，i＝1,...,M，迭代終止后，輸出信號(hào)的最終估計(jì)值。

本發(fā)明提供的一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)系統(tǒng)10，通過塊稀疏表示模塊11、時(shí)間相關(guān)性建模模塊12以及信號(hào)重構(gòu)輸出模塊13這些模塊，對(duì)序列之間的時(shí)間相關(guān)性進(jìn)行建模，在貝葉斯框架下利用這種時(shí)間相關(guān)性實(shí)現(xiàn)信號(hào)的重構(gòu)，在壓縮感知重構(gòu)過程中，利用連續(xù)信號(hào)在時(shí)間上的相關(guān)性對(duì)信號(hào)進(jìn)行重構(gòu)，可以提高單幀信號(hào)的重構(gòu)精度，且算法的運(yùn)行時(shí)間顯著降低，進(jìn)而大大提高了壓縮效率。

以下為檢驗(yàn)本發(fā)明算法在序列數(shù)據(jù)中的應(yīng)用情況，本發(fā)明分別采用仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)對(duì)其進(jìn)行了驗(yàn)證。

首先產(chǎn)生一個(gè)大小為1×1024的三幀時(shí)間稀疏序列，幅度值為20，噪聲v～N(0,0.5²)，序列如圖3所示。

本發(fā)明采用對(duì)上述三幀序列分別進(jìn)行了一幀數(shù)據(jù)、兩幀數(shù)據(jù)和三幀數(shù)據(jù)的信號(hào)重構(gòu)，其重構(gòu)誤差和重構(gòu)算法運(yùn)行時(shí)間如下表1所示。

表1仿真數(shù)據(jù)算法運(yùn)行結(jié)果比較

由上表可看出，隨著信號(hào)序列數(shù)量的增加，信號(hào)重構(gòu)的精度越高，信噪比越高，同時(shí)，每幀數(shù)據(jù)的平均算法運(yùn)行時(shí)間也越低，即考慮了時(shí)間相關(guān)性后的重構(gòu)算法較單幀數(shù)據(jù)重構(gòu)方法相比，算法運(yùn)行時(shí)間更短。

為說明算法針對(duì)實(shí)際數(shù)據(jù)的有效性，本發(fā)明采用3幀連續(xù)紅外實(shí)測(cè)圖像對(duì)算法進(jìn)行了驗(yàn)證。由于圖像為靜態(tài)情形下采集而得，實(shí)驗(yàn)中先對(duì)實(shí)驗(yàn)圖像進(jìn)行形態(tài)學(xué)檢測(cè)初步檢測(cè)出目標(biāo)，將背景和目標(biāo)分離并分別壓縮，圖像大小為48×64，連續(xù)三幀的恢復(fù)結(jié)果如圖4所示。

對(duì)紅外實(shí)測(cè)數(shù)據(jù)的重構(gòu)結(jié)果如表2所示。表中列出了分別對(duì)一幀、兩幀和三幀數(shù)據(jù)重構(gòu)時(shí)的若干技術(shù)指標(biāo)，包括重構(gòu)圖像的均方誤差、信噪比和算法運(yùn)行時(shí)間。由表可看出，由于上述算法中考慮了圖像在時(shí)間上的相關(guān)特性，并在壓縮感知過程中融入該相關(guān)性，隨著圖像幀數(shù)的增加，其峰值信噪比有所提高，且均方誤差減小，同時(shí)，圖像幀數(shù)越多，每幀的重構(gòu)時(shí)間越短。

表2實(shí)測(cè)紅外圖像算法運(yùn)行結(jié)果

本發(fā)明提供的一種基于塊稀疏壓縮感知的紅外圖像重構(gòu)方法及其系統(tǒng)，在壓縮感知重構(gòu)過程中，利用連續(xù)信號(hào)在時(shí)間上的相關(guān)性對(duì)信號(hào)進(jìn)行重構(gòu)。在實(shí)驗(yàn)中，針對(duì)仿真序列和實(shí)測(cè)的紅外圖像，隨著時(shí)間信號(hào)相關(guān)性的融入，利用多幀信息對(duì)信號(hào)進(jìn)行重構(gòu)，確實(shí)可以提高單幀信號(hào)的重構(gòu)精度，且算法的運(yùn)行時(shí)間顯著降低。實(shí)驗(yàn)結(jié)果表明，針對(duì)這種時(shí)間上具有相關(guān)特性的塊稀疏信號(hào)，本發(fā)明提出的基于塊稀疏貝葉斯壓縮感知的重構(gòu)算法確實(shí)是一種有效的信號(hào)重構(gòu)方法。

值得注意的是，上述實(shí)施例中，所包括的各個(gè)單元只是按照功能邏輯進(jìn)行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)的功能即可；另外，各功能單元的具體名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護(hù)范圍。

另外，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述各實(shí)施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，相應(yīng)的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，所述的存儲(chǔ)介質(zhì)，如ROM/RAM、磁盤或光盤等。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。